轴承故障诊断是机械健康监测领域绕不开的“入门题”，而 CWRU（某知名高校公开的轴承振动数据集）几乎就是所有论文、所有教程的第一站。我这么说吧，不管你是搞设备的、搞算法的，还是刚进实验室的研究生，基本都绕不开这个数据集。我最早跑这个数据集的时候，其实心里很没底，Matlab 也只算半吊子水平。但真等到自己把数据读进来、画出频谱、看到故障特征频率一串干净的倍频峰之后，那感觉怎么说呢——是真的上头，一边跑一边想“再来一组，再来一组”。
这篇文章，我就把整套玩转 CWRU 数据的流程拆开来讲：从数据集怎么选、文件怎么读，到特征频率怎么算、包络谱怎么做，再到怎么把诊断流程做成一个能自动判别的小系统。适合刚接触故障诊断、想拿公开数据练手的朋友，也适合那些已经在跑实验但总觉得没搞明白原理的人。我把那些查不到、也没人写的细节一并放出来，照着敲就能出图，出完图你就知道这东西为什么能让人上头。
1. 认识数据：CWRU 轴承数据到底讲了什么故事
1.1 轴承故障诊断为什么拿它当“通用语言”
所有做故障诊断的人都会遇到一个问题：实验数据不好拿。真实工业现场的故障轴承难得、工况复杂、还涉及保密，没几个学生能随便进车间采集数据。而实验室自己搭试验台又贵又麻烦，转速、负载、传感器安装稍有不慎，数据就废了。这时候 CWRU 公开数据集就派上用场了。它是在一台专门的轴承试验装置上采集的，用加速度传感器分别采集驱动端和风扇端的振动信号，故障是事先用电火花在轴承上加工出来的单点损伤，涵盖正常、内圈故障、外圈故障、滚动体故障四大类，故障尺寸从 0.18mm 到 0.53mm 有好几档，负载从 0 到 3 马力分了四档。可以说，这数据集把初学者需要的基本变量全给了，而且数据本身是高质量的，信噪比在公开数据集里算非常友好。
换句话说，CWRU 就是故障诊断界的“标准普通话”。全世界的研究者都在用同一套数据验证算法，你看论文时看到的 107Hz、162Hz、19Hz 这样的频率值，全都是从这套数据里算出来的。大家用同一口“普通话”交流，方法和结论才能互相翻译。你如果自己闭门造车搞一套数据，论文审稿人第一句就会问你：为什么不用公开数据验证？所以想入门，先把这个数据集玩透，等于把行业的共同经验装进了自己兜里。
1.2 数据文件的命名和结构，先看清楚再动手
CWRU 下载下来的文件是 .mat 格式，用 Matlab 直接 load 就能读，但里面变量名有讲究。比如常见的X097_DE_time，这个变量名拆开看就是：样本编号 097，DE 表示驱动端（Drive End），time 表示时域波形。对应地还有X097_FE_time，这是风扇端（Fan End）的数据。DE 和 FE 是两套传感器，采集的位置不同，信号特征也有差异，做分析前一定要先确认自己读的是哪一端。
这里有一个我见过很多新手踩的坑：直接load('105.mat')之后，工作区里冒出来好几个变量名，有人随手就取第一个用，结果发现波形长得乱七八糟，后来才意识到那可能是 FE 数据或者别的通道。正确做法是 load 完之后先执行一次whos，看清楚变量名再选。另外，CWRU 还提供 12kHz 和 48kHz 两种采样频率的数据文件，48kHz 那批通常文件名里会带标注，下载的时候看清楚，别把不同采样率的数据混在一起做对比，那样得到的频率分辨率是不一样的。
还有一点让我当初折腾了很久：外圈故障数据里，故障点相对加载方向的位置不同，分别有 3 点钟方向和 6 点钟方向两种记录方式。同样一个外圈故障，不同位置测出来的冲击幅度和调制特征是不一样的。所以选数据做训练集的时候，别把这两种混在一起当同一类，分类器会因为样本内部不一致而学得稀里糊涂。这个细节很多教程压根不提，但对实际效果影响很大。
1.3 数据分组怎么选：从最简单的“二分类”起步
我第一次上手的时候贪多，想着一次性把 4 类故障全部分出来，结果光整理文件名就花了半天，模型效果还特别差。后来学乖了，建议所有新手也这样：第一轮只做“正常 vs 外圈故障”的二分类。原因很简单，外圈故障的特征频率最清晰、冲击最稳定，而且它不随转频旋转，故障特征在包络谱上就是一根根等间隔的谱线，几乎没有调制边带干扰。先把这条路跑通，对 CWRU 数据的脾气有感觉了，再逐步加入内圈故障和滚动体故障。
第二轮再扩展成三分类或者四分类也不迟。内圈故障和滚动体故障相对麻烦，因为故障位置随旋转变化，信号的冲击幅度会周期性波动，包络谱里会混入转频及其谐波的调制边带。这是物理规律决定的，不是你代码写错了。提前有这个概念，后面看到奇奇怪怪的谱图就不容易慌。
2. 把特征频率算明白，诊断就成功了一半
2.1 轴承几何参数与特征频率公式
轴承故障诊断的核心思想可以概括成一句话：轴承每转一圈，故障点就会和其他表面接触一次或几次，每次接触都产生一个冲击，这个冲击以一定频率重复出现，这个频率就是故障特征频率。算出这个频率，再在频谱或包络谱里找到对应位置的谱线，诊断就算完成了大半。
要算特征频率，先得知道轴承的几个关键几何参数：滚动体个数 n、滚动体直径 d、节圆直径 D、接触角 α。CWRU 数据用的是 6205-2RS 深沟球轴承，参数大概是滚动体 9 个，滚动体直径约 7.94mm，节圆直径约 39.04mm，接触角取 0 度。把这些参数代入公式，可以得到一个非常实用的结论：外圈故障频率约等于转频的 3.585 倍，内圈故障频率约等于转频的 5.415 倍，滚动体故障频率约等于转频的 2.33 倍，保持架故障频率约等于转频的 0.398 倍。这个倍频系数在 CWRU 社区里已经是被反复验证过的常数。
这里要特别提醒：这个系数是针对 6205 这个型号的轴承。很多初学者把 3.585 当成“轴承外圈故障的万能系数”，拿去算别的轴承，结果对不上号就开始怀疑自己。不同轴承的滚珠个数、直径不同，系数完全不同。正确做法是拿到轴承型号先查参数，再按公式重算一遍。代码里我习惯把轴承参数写成一个结构体，改型号时只改这一处，后面所有计算自动更新。
2.2 拿 0 负载数据手算一遍，建立直觉
选 CWRU 0 负载、0.007 英寸故障的那组数据来做例子。0 负载对应转速大约是 1797 rpm，转频就是 1797 除以 60，约等于 29.95Hz。乘上对应系数，外圈故障特征频率约 107.4Hz，内圈约 162.2Hz，滚动体约 69.8Hz。这几个数，你会在无数论文里反复看到，可以说刻进了故障诊断从业者的 DNA。
这里有个很重要的直觉训练：外圈故障大概 107Hz，说明每秒钟故障点与滚动体接触大约 107 次。而转频只有 30Hz，也就是说外圈故障的冲击频率远高于轴每秒钟转过的圈数。如果你的频谱图上看到 30Hz 或者 60Hz 处有大峰，那大概率是轴转频和它的二倍频，不是故障特征。这种区分能力是看谱图的基本功，用 CWRU 数据练手最合适，因为答案已知，你可以拿计算结果去验证自己的判断。
2.3 为什么直接看频谱经常找不到故障频率
我最初犯过的错误是拿到时域信号直接做 FFT，然后盯着频谱图找 107Hz。奇怪的是，在原始频谱上 107Hz 处往往没有明显尖峰，反而在几千赫兹的地方出现一大片隆起的“山包”。这让我一度怀疑算错了频率。
后来才明白，轴承故障产生的冲击并不以故障特征频率直接辐射振动能量。故障冲击相当于一个很窄的脉冲，在频域上它的能量分布很宽，会激起轴承系统的固有共振。也就是说，高频共振是“载波”，故障特征频率是“调制信号”，传感器测到的其实是共振频段的调幅信号。直接看原始频谱等于只看到载波，根本看不到低频的调制内容。所以要先把高频共振频段滤出来，再做包络解调，把调制信号恢复出来，才能在频谱的低频段看到那一串故障特征频率的谱线。
打个比方，这就像听远处有人敲鼓，你听到的不是一下一下的鼓点，而是敲击引发的山谷回声连成一片，只有把回声滤掉、单独提取鼓点节奏，才能数清楚每秒敲了几下。包络谱做的就是这件事。
3. Matlab 实操：从波形到包络谱的完整流程
3.1 数据读取和参数初始化
打开 Matlab，新建一个脚本，先把轴承参数、采样率、目标特征频率等都定义好。这一步看似琐碎，但在后面调试时会省掉大量重复劳动。
% 参数设置 fs = 12000; % 采样率 12kHz（选DE端数据） load('X097_DE_time.mat'); % 正常轴承数据 x_normal = X097_DE_time; load('X105_DE_time.mat'); % 内圈故障 0.007英寸 0负载 x_fault = X105_DE_time; % 6205轴承参数 bearing.n = 9; bearing.d = 7.94; bearing.D = 39.04; bearing.alpha = 0; rpm = 1797; fr = rpm / 60; % 特征频率系数 bpfo = bearing.n / 2 * fr * (1 - bearing.d / bearing.D * cos(bearing.alpha)); bpfi = bearing.n / 2 * fr * (1 + bearing.d / bearing.D * cos(bearing.alpha)); bsf = bearing.D / (2 * bearing.d) * fr * (1 - (bearing.d / bearing.D * cos(bearing.alpha))^2);这里有三个小提醒。第一，load 进来之后要看变量名，比如X105_DE_time这个字段名一定要和文件里的实际变量名完全一致，写错一个字母就提示找不到变量。第二，先用whos X105_DE_time确认数据类型，CWRU 的 mat 文件里存的是 double 列向量，直接可用。第三，如果你下载的是 48kHz 版本，fs 要改成 48000，不然后面所有频率轴全是错的。
3.2 时域波形对比：先看故障信号长什么样
时域波形虽然不能直接用来分类，但它是建立“手感”的第一步。把正常和故障的波形画在同一张图上，用tiledlayout分两个子图，能很直观地看出区别。
t = (0:length(x_normal)-1) / fs; figure tiledlayout(2,1) nexttile plot(t(1:fs*1), x_normal(1:fs*1)) title('正常轴承时域波形') xlim([0 1]) nexttile plot(t(1:fs*1), x_fault(1:fs*1)) title('内圈故障时域波形') xlim([0 1])正常轴承的波形基本是平稳的随机振动，看不出明显尖峰。故障轴承的波形上能隐约看出周期性冲击，特别是 0.021 英寸这种大故障，冲击幅度大到一眼就能看出来。但 0.007 英寸这种早期微弱故障，时域上冲击并不算突出，直接拿肉眼分辨容易误判。所以 CWRU 数据也好，真实数据也好，早期故障诊断必须靠频域和包络分析，不能看图说话。
3.3 原始频谱：找到共振频带
接下来做 FFT 看频谱。这里我强烈建议加窗处理，否则频谱泄漏会严重影响谱线清晰度。用汉宁窗，取一段数而不是整段 10 万点，通常取 8192 点或 16384 点就够了，既保证频率分辨率又节省计算时间。
seg = x_fault(1:8192); seg = seg .* hann(length(seg)); X = fft(seg); f = (0:length(X)-1) * fs / length(X); X_mag = abs(X(1:length(X)/2)); f = f(1:length(X)/2); figure plot(f, X_mag) xlim([0 6000]) title('故障信号原始频谱')在这个频谱上，你会看到几百赫兹以下通常杂乱但幅值不大，而在 2000Hz 到 5000Hz 之间有一个或多个能量集中的“山包”。这就是轴承系统的共振频带，也是后面带通滤波要选的区域。每个故障类型甚至每个故障位置，共振峰的位置可能略有差异，建议用spectrogram函数看看时频图，确认共振带随时间是否稳定，再确定滤波范围。
有一个非常容易犯的错：有人为了省事，直接把整个频段拿去包络解调，不做带通滤波。这样会在包络谱里引入大量与故障无关的低频干扰和噪声，107Hz 那根谱线会被淹没，根本看不出来。带通滤波不是可选项，而是必需步骤。
3.4 包络谱实现：共振解调的精髓
包络谱的流程是：带通滤波 → Hilbert 变换求解析信号 → 取瞬时幅值（包络）→ 对包络做 FFT。Hilbert 变换在 Matlab 里直接用hilbert函数，但很多初学者会在包络上犯一个错误：hilbert返回的是复解析信号，直接abs得到的是包络，再fft就对了吗？对的，这是标准做法。但要注意，包络信号里还有一个直流分量，代表平均幅值，做频谱时 0Hz 处会有一个大尖峰，别被它吓到，用xlim只看低频段就行。
% 带通滤波，共振带取 2000-5000Hz bp_fault = bandpass(x_fault, [2000 5000], fs); % Hilbert 包络 env = abs(hilbert(bp_fault)); % 对包络做 FFT env_seg = env(1:8192); env_seg = env_seg .* hann(length(env_seg)); Env = fft(env_seg); f_env = (0:length(Env)-1) * fs / length(Env); Env_mag = abs(Env(1:length(Env)/2)); f_env = f_env(1:length(Env)/2); figure plot(f_env, Env_mag) xlim([0 500]) xlabel('频率 (Hz)') ylabel('幅值') title('内圈故障包络谱')在这张包络谱上，你就能看到在 162Hz、324Hz、486Hz 这些位置出现一根根清晰的谱峰，间隔刚好就是内圈故障特征频率。这就是故障冲击的“节奏”。看到这个图，基本就能拍板：轴承内圈存在故障。
关于共振带的选择，我用的是 2000-5000Hz。但如果你的数据和我不一样，别硬套，先看原始频谱里的共振峰在哪。还有一种更稳妥的办法是“窄带包络”对比：分别拿不同的频带做包络谱，看哪个频带下面故障特征峰最干净，就选哪个。多试几次，你就有了选频带的直觉。
3.5 外圈、内圈、滚动体三类故障的谱图对比
跑通一个样本之后，建议把所有故障类型都跑一遍，把四张包络谱放在一起对比。整理成下表，是我实测跑出来的典型结果：
| 数据类别 | 特征频率 | 包络谱特征 |
|---|---|---|
| 正常 | 无明显特征峰 | 谱线平缓，无突出谱峰 |
| 外圈故障（0.007英寸） | 约 107Hz | 107Hz 及其整数倍处出现等间隔谱峰，谱峰尖锐 |
| 内圈故障（0.007英寸） | 约 162Hz | 162Hz 及其整数倍处出现谱峰，但周围可能出现边带 |
| 滚动体故障（0.007英寸） | 约 70Hz | 70Hz 附近谱峰相对较弱，有时需要更长数据才能看清 |
这里有个提醒：滚动体故障的包络谱经常让人怀疑人生，因为同类样本谱峰可能忽高忽低，有时 70Hz 处就是一根小峰，旁边还有一大堆杂峰。原因是滚动体故障并非每转都撞击内外圈，它有时会“失谐”，冲击的幅度和周期不稳定。CWRU 数据里滚动体故障本来就是最难分的一类，如果第一次没跑出漂亮的谱峰，不是你错了，是这一类本身就有难度。主流论文里滚动体故障识别准确率普遍低于内外圈，原因就在这里。
4. 把诊断做成一个小系统：特征指标与自动判别
4.1 时域统计指标：峭度是最好用的“体检指标”
包络谱适合人工判读，但如果你想批量处理很多样本，或者想做一个自动分类系统，只靠谱图肯定不行。得把每个样本压缩成若干数值特征，让分类器来学。时域指标里最经典的是峭度（Kurtosis）。正常轴承振动接近高斯分布，峭度值大约在 3 附近。一旦出现冲击性故障，信号的分布会变得“两头重”，峭度值显著攀升，常常超过 5 甚至更高。
峭度公式如下：
kurtosis_val = kurtosis(x_fault);除了峭度，还可以组合 RMS、峰值因子、波形因子、脉冲因子、偏度等指标。每种指标从不同侧面描述信号的幅值分布和冲击性。它们各自对故障的敏感度不一样，组合起来变成一个特征向量，能较好地表征不同故障类型。我用过的最经典组合是[RMS, 峭度, 峰值因子, 脉冲因子, 波形因子]，配 kNN 分类器，就能在 CWRU 四分类任务上拿到相当高的准确率。
4.2 特征自动提取与分类模型搭建
要训练分类器，得先构造样本集。CWRU 每个 mat 文件长达几十秒，里面含很多冲击周期，直接整段作为一个样本太粗，而且样本数不够。正确做法是把长信号切成小段，每段取 0.5 秒或 1 秒，一段就是一条样本，这样每个文件能产生几十条样本，训练集一下子丰富起来。
function feats = extract_features(x, fs) % 每段取 0.5 秒 seg_len = round(fs * 0.5); n_seg = floor(length(x) / seg_len); feats = []; for i = 1:n_seg seg = x((i-1)*seg_len+1 : i*seg_len); rms_val = rms(seg); kurt_val = kurtosis(seg); peak_val = max(abs(seg)); crest = peak_val / rms_val; impulse = peak_val / mean(abs(seg)); shape = rms_val / mean(abs(seg)); feats = [feats; rms_val, kurt_val, crest, impulse, shape]; end end把所有类别的特征拼成一个大矩阵，每行是一个样本的特征向量，再补一列标签，分类器就准备好了：
% X_all 是特征矩阵，y_all 是对应标签 mdl = fitcknn(X_all, y_all, 'NumNeighbors', 5); cv = crossval(mdl, 'KFold', 5); acc = 1 - kfoldLoss(cv); fprintf('5折交叉验证准确率: %.2f%%\n', acc * 100);kNN 是首选，因为它简单、不用调参、解释性强。等你对特征工程有感觉了，再换 SVM 或者随机森林，不会费太大力气。CWRU 数据本身干净，传统特征加上简单分类器已经能做到 95% 以上准确率，这在真实工业数据上几乎不可能，所以别被这个数字迷惑。它适合学原理，但真实现场数据永远更脏、更难。
4.3 深度学习是不是一定更好
这个问题经常被读者问。我的观点是：如果你只是入门，先用传统信号处理和机器学习把流程走通，理解每一步在解决什么问题，再上深度学习也不迟。CWRU 上很多人直接用一维 CNN 对原始信号分类，准确率确实也很高，但问题是，你很难从 CNN 里直观看到 107Hz、162Hz 这些物理量，出了问题也不知道怎么调试。
深度学习的黑箱特性加上公开数据的高质量，很容易让人产生“我什么都会了”的错觉。一旦换成现场数据，噪声、工况变化、转速波动一上来，CNN 的效果立刻缩水。做故障诊断这行，物理直觉永远是底层能力。我的建议是：把包络谱方法吃透，再用特征加分类器建立 baseline，最后才考虑深度学习作为进阶手段。到了那个阶段，你已经有足够能力判断模型到底学到了什么。
5. 踩坑与调试实录：我把常见问题整理成了一张表
5.1 踩过的五个真实大坑
两年多来，我在 CWRU 数据上见过太多“看起来没问题但结果不对”的案例，包括我自己也踩过。这里挑几个最典型的分享一下。
第一个坑是采样率选错。下载了 48kHz 数据却用 12kHz 去算频率轴，特征频率全部偏差 4 倍，谱图看起来“哪儿哪儿都有峰”，就是没有特征峰。解决方法是第一行代码就把 fs 和文件名绑定，互相校验。
第二个坑是bandpass的滤波范围选得太窄或者太低。有次我把带通范围设在 500-1000Hz，结果共振解调效果极差，包络谱全是噪声。后来看时频图，发现这个型号轴承的共振带集中在 3000Hz 附近，滤波范围应该盖住它才行。建议每次换数据都先看原始频谱的“山包”在哪，再定滤波。
第三个坑是窗函数没加。FFT 之前不加窗，频谱泄漏导致谱峰变宽、旁瓣变高，特征频率处的尖峰被“糊”成一片，倍频位置也对不准。用hann窗能立刻改善谱线质量。
第四个坑是负载混用。0 负载和 3 负载下转频不同，特征频率当然不同。有人把所有文件一股脑读进来打上“内圈故障”标签，结果每个样本的特征频率都不一样，分类器当然学不好。不同负载的数据在训练时要么分开建模，要么把转频归一化到特征频率倍频系数上。
第五个坑是外圈故障 3 点钟和 6 点钟位置的数据混在一起。这两个位置的冲击调制特性不同，当成同一类会增加类内差异。建议做训练集时要么只选一种位置，要么把位置信息也作为标签的一部分。
5.2 排查问题的通用思路
面对“跑出来的图不对”的情况，我的排查顺序是这样的：先检查采样率和转频，如果转频都不对，后面全白搭；再检查变量名和数据通道，确认看的是 DE 不是 FE；然后检查滤波范围，看原始频谱决定；最后检查窗函数和 FFT 点数，看谱线分辨率和泄漏。按这个顺序走一遍，90% 的问题都能定位。我还整理了一张速查表，如下：
| 问题现象 | 可能原因 | 排查方向 |
|---|---|---|
| 包络谱里找不到特征峰 | 带通范围没对准共振带 | 先看原始频谱，选共振峰所在频段 |
| 特征频率总是差 4 倍 | 采样率设错了 | 确认数据文件对应的是 12k 还是 48k |
| 正常信号也有很多尖峰 | 没加窗或 FFT 点数太少 | 加汉宁窗，增加分段长度 |
| 时域波形看不出冲击 | 故障尺寸太小或选用数据段不对 | 尝试 0.021 英寸故障，或看包络谱而非时域 |
| 内圈故障出现大量边带 | 内圈随旋转导致的调制现象 | 正常现象，不要误判为另一类故障 |
| 同一类样本特征差异极大 | 负载混用或外圈故障位置混用 | 按负载分组，或区分 3 点钟/6 点钟 |
5.3 关于“跑通”一句话心得
我发现一个很有趣的现象：很多人拿到 CWRU 数据以后，第一反应是到处找别人的代码然后直接跑。跑通了，很开心，但问他原理，说不出所以然。这样不行。第一次玩这个数据，一定要逼自己从 load 数据开始，一步一步写，每一步都搞清楚为什么要这么做。包络谱为什么能找到 107Hz？它和原始频谱差在哪？如果你能对着一个完全没标答案的陌生数据，独立跑出特征频率和故障类型，这才算真的入门了。
6. 从 CWRU 到真实数据：入门之后的路还长
CWRU 数据适合入门，但千万别把它当成工业真实数据的拟合。真实轴承数据往往转速波动、负载不定、背景噪声大，还可能存在多个故障同时发生的情况。那时候你可能会发现，CWRU 上屡试不爽的包络谱在真实数据上没那么灵，特征频率会被噪声淹没，共振频带也不稳定。这很正常。
我个人现在的习惯是：接到一个新的诊断任务，仍然先用 CWRU 数据把算法和参数调通，当成“算法自检平台”。算法在 CWRU 上如果跑不出理想效果，大概率是算法自身有问题；在 CWRU 上表现良好、换到现场数据缩水，大概率是数据域差异的问题。这种两段式验证思路，能帮助你快速定位瓶颈到底在哪个环节。最后再分享一个小技巧：每次跑通一个样本，养成把特征频率和谱峰位置截图存档的习惯，积累多了以后，你会发现这些案例彼此对比特别有参考价值。这大概就是这件事让人“上头”的原因——每一次跑出新谱峰，都像是在和机器对话，听懂了它哪里不舒服，那种感觉很踏实。
